特高壓環(huán)境評價中的航拍小目標(biāo)智能識別方法*

李 尊,吳 豫,張 開,張嵩陽,丁子璇,劉鎮(zhèn)弢,孫 偉,

（1.國網(wǎng)河南省電力公司，河南 鄭州 450052；2.河南九域恩湃電力技術(shù)有限公司，河南 鄭州 450016；3.西安電子科技大學(xué)，陜西 西安 710126；4.西安郵電大學(xué)，陜西 西安 710121）

1 研究背景

近些年來，無人機(jī)在現(xiàn)代軍用和民用領(lǐng)域發(fā)揮著越來越重要的作用。而航拍目標(biāo)檢測一直以來都是無人機(jī)研究的重要內(nèi)容，無人機(jī)可以在不同的環(huán)境下，完成指定的監(jiān)測和偵查任務(wù)，其重要性不言而喻。但目前的目標(biāo)識別大多針對普通大小的圖像，而無人機(jī)在特定環(huán)境下拍攝的航空圖像數(shù)據(jù)量大，覆蓋面積更廣，目標(biāo)更小且聚集在一起，這就使得目前的目標(biāo)識別檢測算法在航拍圖像中的識別效果并不理想，存在誤檢、漏檢的情況[1-3]。因此，需要識別檢測到小目標(biāo)，以實現(xiàn)完整地標(biāo)記識別目標(biāo)。目標(biāo)識別是計算機(jī)視覺領(lǐng)域的一個重要研究內(nèi)容，也是國內(nèi)外學(xué)者的研究熱點。

目標(biāo)檢測算法[4-6]發(fā)展迅猛，種類繁多，基于深度學(xué)習(xí)的目標(biāo)檢測方法主要分為兩類：一類是基于候選區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)模型，另一類是基于回歸的卷積神經(jīng)網(wǎng)絡(luò)模型。基于候選區(qū)域的目標(biāo)檢測算法是R-CNN網(wǎng)絡(luò)和一系列優(yōu)化模網(wǎng)絡(luò)[7-9]。這種方法首先對圖像進(jìn)行先分類后回歸處理，使用啟發(fā)式方法或者CNN網(wǎng)絡(luò)產(chǎn)生最有可能包含目標(biāo)的子區(qū)域，然后在子區(qū)域上做分類與回歸。基于回歸的目標(biāo)檢測算法包括SSD和YOLO系列網(wǎng)絡(luò)模型[10-13]。這種方法不需要對輸入圖像進(jìn)行候選區(qū)域提取，用整張圖像作為網(wǎng)絡(luò)的輸入，并在輸出層回歸檢測目標(biāo)邊界框的位置和所屬的類別。從R-CNN開始，采用目標(biāo)檢測結(jié)合深度學(xué)習(xí)，可開創(chuàng)一片新天地。深度學(xué)習(xí)強(qiáng)大的特征表示能力可為目標(biāo)檢測提供有效的特征，直接影響著目標(biāo)檢測算法性能[14-15]。

目前這兩類網(wǎng)絡(luò)模型各有優(yōu)勢，基于候選區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)模型在檢測準(zhǔn)確率和精度較高，但步驟復(fù)雜，耗時長；基于回歸的卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測速度速度快，但對輸入圖像的大小有嚴(yán)格要求，無法檢測圖像中的小目標(biāo)[16-17]。

綜上所述，文章主要針對航拍圖像小目標(biāo)識別過程的不足，提出一種能夠在特高壓環(huán)境下對航拍圖像的小目標(biāo)進(jìn)行識別的方法，解決了對大視野航拍圖像中的小目標(biāo)檢測精度差的問題，運行識別速度更快，能夠?qū)崿F(xiàn)在特高壓環(huán)境下對航拍圖像的小目標(biāo)識別。

2 算法原理

文章使用在特高壓環(huán)境下拍攝的無人機(jī)航拍圖像集，篩選包含需要檢測目標(biāo)的圖像分別作為所需的訓(xùn)練集和測試集，上述圖像集均為含有不同目標(biāo)大小的圖像集。

將訓(xùn)練圖像數(shù)據(jù)集通過窗口網(wǎng)絡(luò)進(jìn)行預(yù)判斷并分割成切塊圖像，送入后面的網(wǎng)絡(luò)模型中進(jìn)行學(xué)習(xí)訓(xùn)練，構(gòu)成一個22層下采樣16倍的網(wǎng)絡(luò)結(jié)構(gòu)，在網(wǎng)絡(luò)模型的訓(xùn)練中對航拍圖像數(shù)據(jù)集在目標(biāo)檢測任務(wù)中選取合適的anchor值[18-20]，采用聚類分析同時對網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，得到最終訓(xùn)練好的網(wǎng)絡(luò)模型。

訓(xùn)練模型的主要步驟如下：

步驟一：在圖像訓(xùn)練集上訓(xùn)練構(gòu)建好的網(wǎng)絡(luò)模型，考慮到小目標(biāo)的檢測需要知曉目標(biāo)的類別和在圖像上的位置，因此構(gòu)造與類別誤差和未知誤差有關(guān)的網(wǎng)絡(luò)模型的目標(biāo)損失函數(shù)LA（p,uw,l,vs）。計算定位損失函數(shù)Lloc(l,v)：

式中：x,y為經(jīng)過(lx,ly)補(bǔ)償后的強(qiáng)邊框的中心坐標(biāo)；w,h為經(jīng)過(lw,lh)補(bǔ)償后的默認(rèn)框的寬和高；v為預(yù)測的坐標(biāo)位置和寬高偏移量。

將傳遞函數(shù)T引入原始損失函數(shù)L(p,u,l,v)中，回歸分析預(yù)測ROI與邊框的偏移量，計算目標(biāo)損失函數(shù)LA(p,uw,l,vs)：

式中：p為ROI類預(yù)測；l為預(yù)測偏移量；u為類別標(biāo)簽；v為目標(biāo)偏移量；uw為經(jīng)分類計算出的類別標(biāo)簽；vs為ROI和邊框之間的偏移目標(biāo)。每一次迭代優(yōu)化都對邊框進(jìn)行一次精修，從而實現(xiàn)對最終檢測邊框的最佳定位。

步驟二：對航拍圖像數(shù)據(jù)集在目標(biāo)檢測任務(wù)中選取合適的anchor值，在預(yù)測層的特征圖上。對每個特征圖的每個特征點上預(yù)測不同長寬比、不同尺度的anchor box，以此對目標(biāo)邊框位置進(jìn)行預(yù)測。

獲取訓(xùn)練數(shù)據(jù)集中標(biāo)簽框坐標(biāo)(xi,yi,wi,hi)（其中i=1,2,3,…,n），同時從訓(xùn)練數(shù)據(jù)集中隨機(jī)選定一個樣本作為聚類中心C。

計算每個樣本與現(xiàn)有聚類中心最短距離，樣本被選為下一個聚類中心的概率為Pi，依據(jù)Pi值劃分為n-1個遞增區(qū)間，然后在0～1隨機(jī)產(chǎn)生一個數(shù)r，r落在哪個區(qū)間就選擇該區(qū)間對應(yīng)的樣本作為下一個聚類中心：

式中：pi為聚類中心的概率；di為現(xiàn)有聚類中心最短距離。重復(fù)這一步，直至選出k個聚類中心，對應(yīng)的大小為(wi,Hi)（其中j=1,2,3,k），計算每個標(biāo)簽框與中心框的距離，將標(biāo)簽框歸為距離最小的那個中心框類：

重新計算中心框大小：

式中：nj為對應(yīng)的第j簇中標(biāo)簽框的個數(shù)；返回式（5）重新計算，直至(Wj,Hj)變化趨于0。

3 實驗結(jié)果

實驗：對航拍圖像數(shù)據(jù)集進(jìn)行處理，在每張航拍圖像中標(biāo)注出目標(biāo)物體的邊框和類名，生成對應(yīng)的包含目標(biāo)具體信息的類文件，使用已標(biāo)記的航拍圖像數(shù)據(jù)集。

使用訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)中的卷積層對目標(biāo)區(qū)域進(jìn)行特征提取，得到多個尺度的特征圖，在提取到的特征圖上使用卷積濾波器進(jìn)行預(yù)測，得到多個預(yù)測邊框內(nèi)的目標(biāo)類別得分及預(yù)測邊框相的位置坐標(biāo)，此次實驗的小目標(biāo)識別結(jié)果如圖1所示。

圖1 小目標(biāo)識別效果圖

從圖1中可以看出，輸入待識別的航拍圖像，對待識別圖像計算標(biāo)簽框坐標(biāo)，通過文章中構(gòu)建的網(wǎng)絡(luò)模型得到了較為準(zhǔn)確的識別結(jié)果圖，這種方法保留了利于小目標(biāo)識別的淺層的關(guān)于目標(biāo)豐富的位置信息等，更好地適應(yīng)在特高壓環(huán)境下的小目標(biāo)識別，文章實驗數(shù)據(jù)結(jié)果如表1所示。

表1 小目標(biāo)識別數(shù)據(jù)

4 結(jié)束語

文章主要針對特高壓環(huán)境下，對航拍圖像中的小目標(biāo)進(jìn)行識別。首先，通過窗口網(wǎng)絡(luò)進(jìn)行預(yù)判斷并分割成切塊圖像，送入小目標(biāo)網(wǎng)絡(luò)模型中進(jìn)行學(xué)習(xí)訓(xùn)練；然后，在模型中采用聚類分析同時對網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)；最后，得到最終的小目標(biāo)網(wǎng)絡(luò)模型用于目標(biāo)識別。